1.基于低秩张量环分解与高阶结构化与图像修复方法，包括如下步骤：步骤1)，输入待修复图像 确定图像待修复区域并对其进行分块操作，图像中的像素分为已知点和未知点，所述已知点是图像中像素不为0的点，未知点是图像中像素为0的点；图像中所有未知点组成集合Ω；

步骤2)构建低秩张量环分解与高阶汉克结构化模型；具体包括：(2‑1)低秩张量环图像修复模型定义如下：式中， 表示输入待修复图像的第i个分块； 表示修复后图像的一个分块； 表示 的第n个张量环分解因子； 表示Frobenius范数； 其中1表示可观察的像素，0表示缺失的像素；

(2‑2)高阶汉克结构化图像修复模型定义如下：式中， 定义为

其中fold(I,τ): 通过fold(I,τ)可将输入的N阶张量构造成一个2N阶张量，该操作可以看作多维线性复制和多维的折叠操作；

其中 是一个复制矩阵，即包含多个单位矩阵的矩阵，具体形式为：步骤3)结合步骤2)构建的图像修复模型，对彩色图像进行修复，最终重构输出高质量视觉数据图像

2.如权利要求1所述的基于低秩张量环分解与高阶结构化与图像修复方法，其特征在于：步骤3)具体包括：(3‑1)构建低秩张量环分解与高阶汉克结构化模型构建图像修复模型，其定义如下式中，张量环的秩R是预定义的，即(3‑2)公式(5)可以使用张量环最小二乘法优化，张量环分解因子 可初始化为引理1：当n≠1时，求解公式等同于求解

因此在已知其他分解因子的情况下，公式(6)可以描述为单个 的求解过程，基于引理1，其可以转换为下式对式(7)进行模k展开操作，可以得到其中

对于张量 的每个切片有 公式(8)可等效于求解Ik的子问题

令 Ωik表示向量 中的可观测像素，因此可以得到

上式中张量 可以看作矩阵 可以得到公式引理2：假设 和 表示任意两个矩阵，则有如下关系T T

Trace(A×B)＝vec(B) vec(A) (12)基于引理2，公式(11)可以求解为(3‑3)关于 的求解问题转换成最小二乘问题，固定其他分解因子不变，迭代更新 满足迭代终止条件 终止迭代，其中l表示迭代次数，tol表示收敛阈值参数；

(3‑4)使用(3‑1)中提出的模型，分别对每个分块 进行修复处理，最终得到修复后的张量数据块(3‑5)张量环重构输出每个分块(3‑6)类似地，汉克结构化张量 的逆汉克结构化可表示为：其中

(3‑7)最终，对于分块 重组输出高质量图像视觉数据 完成图像修复。